Prozkoumání hyperparametrů Random Forest
Vědět, jaké hyperparametry jsou k dispozici a jak různé hyperparametry ovlivňují model, je klíčová dovednost každého datového vědce. Čím složitější model, tím více nastavení si žádá pozornost – ale jen některá z nich mají na výsledek skutečně velký vliv.
Nyní si prohlédneš existující model Random Forest (který má pár nešťastných voleb hyperparametrů!) a pak nastavíš lepší hodnoty pro nový model a porovnáš jeho výkon.
Máš k dispozici:
- DataFrames
X_train,X_test,y_train,y_test - Existující předtrénovaný estimátor Random Forest,
rf_clf_old - Predikce existujícího estimátoru na testovací sadě,
rf_old_predictions
Toto cvičení je součástí kurzu
Hyperparameter Tuning in Python
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Print out the old estimator, notice which hyperparameter is badly set
print(____)
# Get confusion matrix & accuracy for the old rf_model
print("Confusion Matrix: \n\n {} \n Accuracy Score: \n\n {}".format(
confusion_matrix(____, ____),
accuracy_score(____, ____)))